論文の概要: Automating Microservices Test Failure Analysis using Kubernetes Cluster Logs

• arxiv url: http://arxiv.org/abs/2306.07653v1
• Date: Tue, 13 Jun 2023 09:48:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-14 14:21:53.254069
• Title: Automating Microservices Test Failure Analysis using Kubernetes Cluster Logs
• Title（参考訳）: Kubernetesクラスタログによるマイクロサービステスト障害分析の自動化
• Authors: Pawan Kumar Sarika, Deepika Badampudi, Sai Prashanth Josyula, Muhammad Usman
• Abstract要約: Dockerは、ホストするDockerコンテナをデプロイおよび管理するための、無償のオープンソースのコンテナオーケストレーションシステムである。 本研究は, 故障原因を自動的に判定するために, 効果的かつ効率的な分類アルゴリズムを同定することを目的とする。 この結果から,ランダムフォレストは計算資源を他のアルゴリズムよりも少ない精度で生成できることが示唆された。
• 参考スコア（独自算出の注目度）: 0.8717253904965373
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Kubernetes is a free, open-source container orchestration system for deploying and managing Docker containers that host microservices. Kubernetes cluster logs help in determining the reason for the failure. However, as systems become more complex, identifying failure reasons manually becomes more difficult and time-consuming. This study aims to identify effective and efficient classification algorithms to automatically determine the failure reason. We compare five classification algorithms, Support Vector Machines, K-Nearest Neighbors, Random Forest, Gradient Boosting Classifier, and Multilayer Perceptron. Our results indicate that Random Forest produces good accuracy while requiring fewer computational resources than other algorithms.
• Abstract（参考訳）: Kubernetesは、マイクロサービスをホストするDockerコンテナをデプロイおよび管理するための、無償のオープンソースのコンテナオーケストレーションシステムである。 Kubernetesクラスタログは、障害の原因を決定するのに役立つ。 しかし、システムが複雑化するにつれて、手動で障害原因を特定することが難しくなり、時間がかかります。 本研究は, 故障原因を自動的に判定するために, 効果的かつ効率的な分類アルゴリズムを同定することを目的とする。 我々は,5つの分類アルゴリズム,Support Vector Machines,K-Nearest Neighbors,Random Forest,Gradient Boosting Classifier,Multilayer Perceptronを比較した。 その結果,ランダムフォレストは計算資源を他のアルゴリズムよりも少ない精度で生成できることがわかった。

関連論文リスト

• Development of Multistage Machine Learning Classifier using Decision Trees and Boosting Algorithms over Darknet Network Traffic [0.0]
  本研究では,ネットワークトラフィック分類のためのロバストな解を提案する。 AdaBoostやGradient Boostingといったブースティングアルゴリズムを決定木と組み合わせることで,ネットワークトラフィック分類のための堅牢なソリューションを提案する。
  論文  参考訳（メタデータ） (2024-07-22T17:10:26Z)
• Gödel Number based Clustering Algorithm with Decimal First Degree Cellular Automata [0.0]
  本稿では,FDCAに基づくクラスタリングアルゴリズムを提案する。 データオブジェクトは、G"odel番号ベースのエンコーディングを使用して十進文字列にエンコードされる。 既存のクラスタリングアルゴリズムと比較して,提案アルゴリズムは性能が向上する。
  論文  参考訳（メタデータ） (2024-05-08T08:30:34Z)
• Masked AutoEncoder for Graph Clustering without Pre-defined Cluster Number k [15.711916432302576]
  マスク付きオートエンコーダ(GCMA)を用いたグラフクラスタリングという新しいフレームワークを提案する。 グラフの融合符号化のためのグラフマスキング法に基づいて設計したフュージョンオートエンコーダを用いる。 改良された密度ベースクラスタリングアルゴリズムを第2復号器として導入し,マルチターゲット再構成による復号化を実現した。
  論文  参考訳（メタデータ） (2024-01-09T08:34:36Z)
• Reinforcement Graph Clustering with Unknown Cluster Number [91.4861135742095]
  本稿では,Reinforcement Graph Clusteringと呼ばれる新しいディープグラフクラスタリング手法を提案する。 提案手法では,クラスタ数決定と教師なし表現学習を統一的なフレームワークに統合する。 フィードバック動作を行うために、クラスタリング指向の報酬関数を提案し、同一クラスタの凝集を高め、異なるクラスタを分離する。
  論文  参考訳（メタデータ） (2023-08-13T18:12:28Z)
• Byzantine-Robust Clustered Federated Learning [10.503285978504548]
  本稿では,フェデレーテッド・ラーニング・セッティングにおけるビザンチンマシンの敵攻撃問題に焦点をあてる。 この設定では、同一クラスタ内の非ビザンチンマシンは同じ基盤データ分布を持ち、非ビザンチンマシンの異なるクラスタは異なる学習タスクを持つ。 私たちの研究の目的は、非ビザンチンマシンのクラスタメンバシップを特定し、各クラスタが学習したモデルを最適化することにあります。
  論文  参考訳（メタデータ） (2023-06-01T13:01:13Z)
• Hard Regularization to Prevent Deep Online Clustering Collapse without Data Augmentation [65.268245109828]
  オンラインディープクラスタリング(オンラインディープクラスタリング)とは、機能抽出ネットワークとクラスタリングモデルを組み合わせて、クラスタラベルを処理された各新しいデータポイントまたはバッチに割り当てることである。 オフラインメソッドよりも高速で汎用性が高いが、オンラインクラスタリングは、エンコーダがすべての入力を同じポイントにマッピングし、すべてを単一のクラスタに配置する、崩壊したソリューションに容易に到達することができる。 本稿では,データ拡張を必要としない手法を提案する。
  論文  参考訳（メタデータ） (2023-03-29T08:23:26Z)
• Unified Functional Hashing in Automatic Machine Learning [58.77232199682271]
  高速に統一された関数型ハッシュを用いることで,大きな効率向上が得られることを示す。 私たちのハッシュは"機能的"であり、表現やコードが異なる場合でも同等の候補を識別します。 ニューラルアーキテクチャ検索やアルゴリズム発見など、複数のAutoMLドメインで劇的な改善がなされている。
  論文  参考訳（メタデータ） (2023-02-10T18:50:37Z)
• Coded Stochastic ADMM for Decentralized Consensus Optimization with Edge Computing [113.52575069030192]
  セキュリティ要件の高いアプリケーションを含むビッグデータは、モバイルデバイスやドローン、車両など、複数の異種デバイスに収集され、格納されることが多い。 通信コストとセキュリティ要件の制限のため、核融合センターにデータを集約するのではなく、分散的に情報を抽出することが最重要となる。 分散エッジノードを介してデータを局所的に処理するマルチエージェントシステムにおいて,モデルパラメータを学習する問題を考える。 分散学習モデルを開発するために,乗算器アルゴリズムの最小バッチ交互方向法(ADMM)のクラスについて検討した。
  論文  参考訳（メタデータ） (2020-10-02T10:41:59Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)
• An Efficient Framework for Clustered Federated Learning [26.24231986590374]
  本稿では,ユーザがクラスタに分散するフェデレーション学習(FL)の問題に対処する。 反復フェデレーションクラスタリングアルゴリズム(IFCA)を提案する。 ニューラルネットワークのような非分割問題では,アルゴリズムが効率的であることを示す。
  論文  参考訳（メタデータ） (2020-06-07T08:48:59Z)
• Optimal Clustering from Noisy Binary Feedback [75.17453757892152]
  本稿では,二元的ユーザフィードバックから一組のアイテムをクラスタリングする問題について検討する。 最小クラスタ回復誤差率のアルゴリズムを考案する。 適応選択のために,情報理論的誤差下界の導出にインスパイアされたアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2019-10-14T09:18:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。